โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
บริษัท ไทยออยล์ จำกัด (มหาชน) (TOP) ประกอบธุรกิจโรงกลั่นน้ำมันที่มีกระบวนการผลิตที่ทันสมัยและมีประสิทธิภาพสูง เพื่อผลิตและจำหน่ายน้ำมันปิโตรเลียมสำเร็จรูปป้อนตลาดในประเทศเป็นส่วนใหญ่ ทั้งยังขยายการลงทุนให้ครอบคลุมการผลิตผลิตภัณฑ์ปิโตรเคมี นํ้ามันหล่อลื่นพื้นฐาน เอทานอล รวมถึงการลงทุนในธุรกิจไฟฟ้า ตลอดจนธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียม และปิโตรเคมีทางเรือ ธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียมสำเร็จรูปทางท่อ และธุรกิจให้คำปรึกษาทางด้านพลังงาน ซึ่งมีโรงกลั่นอยู่ที่อำเภอศรีราชา จังหวัดชลบุรี โครงงานสหกิจนี้เกี่ยวข้องกับการทำงานร่วมกับหน่วยผลิต Hydrogen Manufacturing 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) ซึ่งผลิตไฮโดรเจนบริสุทธิ์สูงสำหรับใช้ในกระบวนการต่าง ๆ เช่น Hydrocrackers, Hydrodesulphuriser และ Hydrotreaters หน่วยผลิตนี้มีบทบาทสำคัญในการแยกก๊าซธรรมชาติเหลือใช้จากกระบวนการก่อนหน้า ซึ่งมีความซับซ้อนสูงและต้องการการควบคุมอุณหภูมิและความดันอย่างแม่นยำเพื่อให้กระบวนการทำงานได้อย่างมีประสิทธิภาพ เนื่องจากการขาดเครื่องมือจำลองกระบวนการที่มีประสิทธิภาพส่งผลต่อความสามารถในการผลิตและประสิทธิภาพโดยรวม ทำให้ไม่สามารถส่งไฮโดรเจนให้กระบวนการข้างต้นได้ตามความต้องการ การใช้โปรแกรม AVEVA Pro/II ซึ่งเป็นเครื่องมือสำคัญในการจำลองกระบวนการผลิตในหน่วย HMU-2 และ PSA-3 พบว่ามีข้อผิดพลาดในการจำลองบางกระบวนการ ซึ่งส่งผลกระทบต่อความแม่นยำในการคาดการณ์พารามิเตอร์ที่เกี่ยวข้องกับการผลิตไฮโดรเจน การพัฒนาโมเดล Machine Learning จึงเป็นแนวทางใหม่ที่มีศักยภาพในการเพิ่มความแม่นยำในการคาดการณ์พารามิเตอร์กระบวนการต่าง ๆ เช่น อุณหภูมิ ความดัน และอัตราการไหล การนำเทคนิค Machine Learning มาช่วยในการคาดการณ์และปรับปรุงกระบวนการผลิตไฮโดรเจนให้ได้ตามความต้องการของหน่วยผลิตในบริษัทจึงเป็นสิ่งสำคัญในการเพิ่มประสิทธิภาพการผลิตและตอบสนองความต้องการที่สูงขึ้นได้อย่างมีประสิทธิผล
คณะวิศวกรรมศาสตร์
การศึกษานี้จัดทำขึ้นเพื่อสร้างต้นแบบผ้าคลุมเย็นสำหรับการขนส่งน้ำนมดิบเพื่อเสนอแนวทางการรักษาคุณภาพน้ำนมดิบระหว่างการขนส่งไปยังศูนย์รวบรวมน้ำนมดิบ ผ้าคลุมเย็นนี้ผลิตจากการนำวัสดุเปลี่ยนสถานะ (Phase Change Material, PCM) ผลิตจากน้ำผสมสารสร้างเนื้อเจล ปริมาณ 5.6 กิโลกรัม มาประกบรอบถังนมอะลูมิเนียม (ปริมาตรความจุ 25 ลิตร) แล้วคลุมด้วยผ้าเคลือบสารสะท้อนรังสียูวี 2 ชนิด ได้แก่ ผ้าพอลิไวนิลคลอไรด์ (PVC) และผ้าพอลิเอทิลีนความหนาแน่นสูง (HDPE) ประสิทธิภาพการรักษาอุณหภูมิของผ้าคลุมทั้งสองแบบประเมินจากการวัดอุณหภูมิของน้ำที่จุดต่าง ๆ ตามแนวรัศมีและตามความสูงของถังนม จำนวน 6จุด ด้วยสายเทอร์มอคัปเปิลชนิดที ภายใต้สภาวะแวดล้อม 3 สภาวะ ได้แก่ ที่อุณหภูมิคงที่ 25 °C และ 35 °C และที่อุณหภูมิบรรยากาศกลางแจ้ง (อุณหภูมิเฉลี่ย 35.5 °C) เป็นระยะเวลาอย่างน้อย 180 นาที ผลการทดลองพบว่า ที่เวลา 120 นาที น้ำในถังคลุมด้วยผ้า PCM-PVC และผ้า PCM-HDPE มีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 12.6 °C และ 12.9 °C ตามลำดับ ภายใต้อุณหภูมิบรรยากาศคงที่ 25 °C ในขณะที่ภายใต้อุณหภูมิบรรยากาศคงที่ 35 °C มีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 16.7 °C และ 16.4 °C ตามลำดับ และอุณหภูมิบรรยากาศกลางแจ้งมีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 12.7 °C และ 13.8 °C ตามลำดับ เนื่องจากผ้า PCM-PVC และผ้า PCM-HDPE มีประสิทธิภาพการรักษาอุณหภูมิไม่ต่างกัน การประเมินประสิทธิภาพการรักษาคุณภาพทางจุลินทรีย์ของน้ำนมดิบจึงศึกษาเฉพาะผ้า PCM-PVC เทียบกับกรณีไม่ใช้ผ้าคลุม (ควบคุม) ด้วยการตรวจนับปริมาณเชื้อโคลิฟอร์มและเชื้อ Escherichia coli โดยใช้อาหารเลี้ยงเชื้อสำเร็จรูป ผลการทดลองพบว่าเมื่อเวลาผ่านไป 120 นาที น้ำนมในถังที่คลุมด้วยผ้า PCM-PVC มีปริมาณเชื้อโคลิฟอร์มเฉลี่ยเท่ากับ 1.6 × 10^4 CFU/ml และเชื้อ E. coli เท่ากับ 2 × 10^3 CFU/ml ซึ่งน้อยกว่ากรณีไม่มีผ้าคลุมซึ่งมีปริมาณเชื้อโคลิฟอร์ม เฉลี่ยเท่ากับ 1.5 × 10^4 CFU/ml และเชื้อ E. coli เท่ากับ 1.1 × 10^4 CFU/ml จากการศึกษานี้สรุปได้ว่าอุณหภูมิที่ลดได้นี้สามารถช่วยชะลอการเจริญของเชื้อโคลิฟอร์มให้มีปริมาณน้อยกว่าเกณฑ์มาตรฐานน้ำนมดิบซึ่งแสดงให้เห็นถึงศักยภาพของผ้าคลุมเย็นในการรักษาคุณภาพและความปลอดภัยของน้ำนมดิบระหว่างการขนส่งอันจะนำไปสู่การยกระดับคุณภาพชีวิตของเกษตรกรผู้เลี้ยงโคนมไทย
คณะแพทยศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Deep Convolutional Neural Networks - CNNs) สำหรับการระบุเม็ดยาอย่างแม่นยำ เพื่อแก้ไขข้อจำกัดของการพิสูจน์เอกลักษณ์เม็ดยาด้วยทรัพยากรมนุษย์ โดยใช้ข้อมูลรูปภาพจำนวน 1,250 ภาพ จากยาสามัญประจำบ้าน 10 ชนิด นำมาทดสอบกับโมเดล YOLO ที่แตกต่างกันภายใต้เงื่อนไขต่างๆ ผลการทดลองพบว่า การใช้แสงธรรมชาติให้ผลดีกว่าเมื่อทดสอบด้วยระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน เมื่อเปรียบเทียบกับแสงจากกล่องสตูดิโอ นอกจากนี้ โมเดล YOLOv5-tiny แสดงความแม่นยำสูงสุดในการตรวจจับเม็ดยา ขณะที่โมเดล EfficientNet_b0 ให้ผลลัพธ์ดีที่สุดในการจำแนกเม็ดยา แม้ว่าระบบโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาขึ้นนี้จะให้ผลลัพธ์ที่น่าพึงพอใจ แต่ยังมีข้อจำกัดในเรื่องชนิดของเม็ดยาและจำนวนภาพที่ใช้ในการศึกษา อย่างไรก็ตาม งานวิจัยนี้มีศักยภาพในการส่งเสริมความปลอดภัยในการใช้ยาทั้งในระบบสาธารณสุขและผู้ป่วยนอก รวมถึงลดปัญหาที่อาจเกิดขึ้นจากการใช้ยาผิดพลาด
คณะวิศวกรรมศาสตร์
โครงการนี้มีเป้าหมายเพื่อ ตรวจจับและจำแนกประเภทของรอยร้าวบนผนัง โดยใช้ AI และการประมวลผลภาพ ผู้ใช้สามารถ อัปโหลดรูปภาพ และระบบจะ วิเคราะห์ประเภทและความรุนแรงของรอยร้าว โมเดลที่ใช้คือ ResNet-50 ซึ่งมีความแม่นยำ 70.59% การปรับแต่งข้อมูลและการเพิ่มข้อมูลช่วยให้การตรวจจับแม่นยำขึ้น เครื่องมือนี้ช่วย ป้องกันความเสียหายทางโครงสร้าง โดยให้คำแนะนำเบื้องต้นสำหรับการบำรุงรักษา